迷雾森林2 – 在变动的专案进程中，数字诉说的真相

我眺望远方的山峰 却错过转弯的路口；我寻找大海的尽头 却忽略蜿蜒的河流

——林志炫<没离开过>

 

　　每当专案规划完成，开始付诸实行的那一刻，我们就一脚踩进了属于未来的不确定迷雾中，面对着环境的变动与风险，只为最后能得到那粒垂涎已久的金苹果。而迷雾中，令人无奈地惟一不变的就是所有事情都在变，应对方式可以分为质性及量性两种，惟有两者兼具才有希望取得最佳的结果。

　　质性的应对方法提供了专案规划的架构，促使我们能在量化资讯不足，或是无法以量化方式精準面对问题时，能具有一套依据理性而产生的流程，进而适度地面对变化。在《迷雾森林1 – 从不确定性中确定专案》一文中，我们说明了不确定性的来源、利用OODA循环理论及WBSA八大程序建立了工具模板，并且说明了以动态对风险的适用性与必要性，而其中，量化资讯在每一个阶段都无处不在，端视是否能发现并加以利用。

　　因此本文将由应对不确定性的方法：预测开始，向下衍生出预测模型的基础数理概念，并尝试藉由这些条件寻找最佳的决策及最适用之工具，期望能在每一个阶段都做出最佳的选择，达到最终结果的最佳化：完整的吃掉那颗愿景中的金苹果。

预测与脆弱的未来

　　在未来的不确定中，变异随时都在产生，而且受到初始状态影响极大，因此为了更好的应付了未来的状况，预测一直是不可或缺的一部分，也是一直以来面对不确定性的主要办法。

　　预测能力的进步一向伴随着文明的进步，从推测动物的迁徙以便于猎取，到週期性的种植作物并得到稳定的食物供应，再到工业製造定期定量的产出产品。然而随着文明的前进，新的预测难题却也紧随着出现，从工业产品的供需平衡与库存管理，到资讯时代的大量数据，金融、天灾、医疗到社会活动与趋势，无一不是等待被克服的难题。

　　然而，在变化会受到初始状态影响并随着时间延伸此一前提下，任何一刻的变动都会导致最终结果的不同。如上所述，将引导出一个以预测为方法来面对未来不确定性时最重要的性质，即「任何对于未来的预测都是脆弱的，当预测越遥远的未来，準确度将随着时间跨度而急遽降低。」（图一）

图一、预测準确度随时间降低

　　但是若单独就如此便明言预测不具备实质上的意义，却又仍显得有些过度引申与悲观。方法上，我们可以利用演绎法（deductive method）推估未来的合理结果；而归纳法（Inductive Method）则提供了产生曾经发生过的相同结果之最大可能性。如果遥远的未来让预测準确度急遽降低，那我们就将时间切分；如果预测準确度脆弱而容易受影响，那我们就追求最大期望值（expected value）。

我深知预测的限制，尽可能地做出最好的决策后接受结果

　　不是全知全能的我们，无法以决定论¹（所有条件已知，则结果导向必然）来看待任何一件事情，因此任何对于未来的预测都是脆弱的。为了将感知的触角伸入不确定性迷雾的深处，以及保护这种无可避免的脆弱，需要的是理性与推论的力量，而数理模型则提供了可供选择的工具与方法。

　　然而在现今已有的知识体系中，数理预测模型都有其限制性，而且由于大多数的模型都来自于机率，并不是可以直观理解的部分，因此有很多原本看似理所当然的推论实际上都只是错觉²（谁跟你说事件会/不会发生的？谁跟你说这个东西是常态分布的？），而且对于毁灭性的打击几乎都不能预测³（事情发生才知道原来是有可能发生的，就如同一只黑色天鹅撞到身上的车祸现场），所以在应对上才显得困难。

　　因此我们可以大胆地宣称：知识所能具备的价值与品质不在于存量，而在于能多好的预测未来，并且在质性与量性上均能有所具备。纵然未来不可知而预测脆弱，人们还是在不断地在遭遇问题，克服它，然后再遭遇问题，再克服它的循环中进步。我们既没有任何放弃努力的理由，也无法承受放弃后的后果，而现有的应对方式，则大多源自于事实经验、归纳演绎到推导通则的过程，换言之，从数理统计到预测模型。

　　在现今的数理统计当中，大多数所利用的是费雪（Fisher）及和他同时代的人所提出，希望能去除可能性偏差影响的统计，或又称为「频率论」（frequentism）⁴。此类型的统计建构在已经发生的事实之上，藉由过往所发生的事件，推断出实际上事物的全貌。然而，正因其完全建立在已发生的事实基础之上，因此在面对未被预期或是过去不曾发生的事件时，即所谓的「黑天鹅」时，其能力便受到了相当的制约。因此，频率论统计归纳事实的基础，在初始条件变动不大的情形下，足以推估事实全貌，也因此在科学的进展上佔有重要的一席之地，但是其侷限也相当明显，容易因未被预期的事件而受到毁灭性的打击。

　　另一种则是属于英国牧师贝叶斯（Bayes）所提出的贝氏学派统计，利用趋近法的方式来认识一件事物，并且随着证据越来越多，也就越来越接近真理。贝氏学派的统计方式被认定是一种相当主观的数学，首先会估算一个事情可能发生的机率，形成一个先验机率，而后随着新证据的不断出现，连续地修正先验机率形成后验机率，并依此来趋近真实。有鉴于其主观性，一开始的预估可能相当不准，也不符合大多数人所尊崇的「理性」与「真理」，然而这却会在不断地迭代（更新）过程中趋近事实，也被认为是人脑面对世界并学习的方式⁵。

　　由此可知，任何对于未来的预测都还是受侷限的，尤其在最初所给出的估计之中，在没有进一步的证据之下，无论是样本数的不足或是主观的先验猜想，预期的结果并没有任何使人信服的理由。但是这边却必须说，在有限的资讯及限制之下，纵然结论也许不是最精準的，却在当下仍然是最适合的，然后结果将成为经验及养分，成为下一次判断的依据，而每一次的结果都将更精準。是故在明白了侷限，并且确保在限制下仍然能够做出好决策后，便能利用形成好决策的基础：期望值（expected value）来形成一连串的理性布局了，这很贝氏。

　　所以，只要依据理性做出当下最好的决定，然后不要后悔地接受结果，就是我们在不确定性的迷雾中漫步时，最好心态了。

然后，确保执行的延续，将故事写成我们

　　综上所述，我们希望在专案规划与执行时的每一个阶段都下达最佳决策时，首先依据的还是理性，而理性来自于量化资料的提供，然而有时单一阶段的最大期望值并不等于结果的最大期望值，这是容易陷入的误区。

　　课堂中所听到的理性，有很大的一部分是指数理方面的理性，仅针对单一事件而不考虑延续，与现实情境并不是完全相容。在数理方面的理性中，一旦期望值高过于零，一个理性的决策者就应该投入资源，因为在第一次投入、第二次投入到的N次投入的过程中，随着次数增多与时间拉长，收益是可预期的，而每一次的投入甚至不用符合同品项或是同种类，只要符合事件期望值为正的条件就好。然而这却容易形成了一个误区，可能令人在一夕之间失去所有：假设A身上只有50元，甲选项投资结果期望值为正，A应该将50元全部投入吗？相当多学习到期望值概念，并且被数理模型所说服的人们就依据理性这幺做了。

　　期望值无论数字产出为何，都无法去除本身建立在机率的基础之上。因此，依其而产生的行为模式必须在每一次单一决策中都在两个前提条件下进行：

　　（一）保证安全退出：每一次依据理性所做出之单一决策，除了以期望值为判断标準外，亦须确保其可能遭成的损失（也有一定的机率），对个体只会造成轻微或可接受的影响。意即，在前例中，若A的全部身家只有50元，就算甲投资期望值为正，也不应全数投入。

　　（二）保证连续赛局：期望值的实质获益建立在长期多次的决策之下，随着每一次单一决策的期望值为正，越多次的选择则获得收益的机会越大。若甲1、甲2…甲N或甲1、乙2…丙N均为正（事件不一定相同，期望值为正即可），则应于每次在不违反（1）保证安全退出的情境下部分投入。

　　产生以上两个前提的原因来自于机率与现实情境的交互作用。试想，若进行甲投资时均以50元全部身家为赌注，则将会有一定的机会无法进入连续赛局，第一次（50元）、第二次（50X元）…第N次（50X（N-1）元）时刚好失败，则不只先前所获得之收益将一次性的全部损失掉，亦已无资源进行另一场赛局。然而若甲投资每天能有一次机会，而A每天均能从其他管道固定获得50元，则每日投入50元（或在去得收益后投入50元以上但未满50X（N-1）元）便看似一个不错的选择。

而且，我们步步为营、筑梦踏实，而后平步青云

　　于是，为了在专案设计与规划中应对未来的不确定性，并且在执行上不偏离理性，于最终结果中追求最大期望值，具体而言，我们可以将做法浓缩成一句话：以动态建立阶段性起点，限缩变动可能性。

　　首先，在变化会随时间进程而产生此一前提的给予下，任何一个细微的时间划分都能视为一个新的初始状态的描述也同时成立；第二，由于变化受初始状态影响极大。因此建立阶段性起点将能够达成滚动式管理的效果：归零并重新确认现状，并更新参数进行更精準的预测。

　　如图二所示，若将时间与进度状态分别以X轴与Y轴表示，则是否划分出新阶段将影响最终预测结果可能产生的範围大小，足以使变动可能性限缩并且进行更好的预测。途中的黑线代表原本预测的变化，而变化可能性则说明了过程中可能的变动範围，stage 5 最右边的大小则是我们最终结果与希望结果可能产生的差异。左图中，可以看出在规划时是否于 stage 1 及 stage 2 重新建立阶段性起点将影响预测最终结果时的精準度，而右图则是当实际执行完 stage 1 时（虚线），得以依据当下实际结果重新预估最终结果（黑线终点）与变化範围（浅色土黄）。

图二、建立阶段性起点与限缩变动可能性

　　有了上述概念之后，无论在流程或计算上，便能够利用划分时间段落的方式来确认执行现况并进行更精準的预测了（对应灰色虚线）。例如图三说明了工作进度与经费进度的差异、图四则在工作进度上确认每个阶段的重要是否完成（红色菱形）、而图五则概述了从产品诞生到消亡的整个过程，其中每一个阶段都可以进行确认，也能够重新进行预测。

图三、进度差异说明

图四、甘特图

图五、产品生命週期

　　此外，在使用动态排程的工具上，亦已经有软体程式诸如Microsoft Project⁶或Primavera P6⁷等排程软体，可以将资源报表、时间排程、成本花费、成果彙编等大量资讯自动进行抚平与整理，并且解决重複与冲突，避免大量繁杂的计算与投入，以投入时间成本较少的方式面对複杂的情境与阶段性规划。

于是，我们在迷雾中拿起了一张地图-门径管理系统（stage-gate）

　　截至目前为止，在以量化方法进行规划、以理性预测面对未来的道路上，都主要围绕着图二所给予的概念：以动态建立阶段性起点，限缩变动可能性。整体而言，将时间进程切分成性质相近、时程较短的小型工作阶段除了较具备修正的效益与维持自身逻辑的一致以外，更具备以下特性：

　　（一）变更起点（基準点）：利用阶段性的切分，将小阶段最终的实际结果作为新的起点，将变异归零重新进行预测，即时抓取现实状况并进行更新。若小阶段最终的实际结果偏离原先预测，也能调整路线或抓出细部原因与影响，最后调整规画并重新进行规划。

　　（二）限缩预测範围：由于变异可能性将因为起点重新设立而归零，其预测模型而产出之变异範围也会因此而向内塌陷，缩小在不遭遇毁灭性打击的情形下，更精準掌握最终结果。

　　（三）平衡规划与执行：重新设定起点除了限缩预测可能性的範围之外，亦有容许因应实际状况而变更预测模型及其範围的能力。若其中实际发生的过程已经确定并且产生差异，则能够根据实际的情形再一次的以此为标準进行预测，如此则可以依据现况调整方向趋进目标。

　　于是，在阶段与阶段之间产生了关卡（Gate），用以评估主要应採取的决策（图六）。关卡在架构上主要分成检查项目（Deliverables）、标準（Criteria）与阶段产出（Output）三个部分，而标準将决定所採取的动作，包含过关（Go）进入下一个阶段、暂缓（Hold）决定重新评估或等待、回收（Recycle）成果资讯用于本阶段以更加符合标準或淘汰（Kill）进行即时止损。

图六、关卡构成

在有质又有量的面对未来之后

　　于本文中，重点描述了量化概念在专案规划与执行中的角色。从针对预测的需求开始，到利用数理统计作为原理，在确保安全与连续的前提下发展出门径管理系统（stage-gate），或又称阶段查核系统，以求量化资料可辅助决策并求得最佳的最终结果。这些工具的应用从小到工作排程确认，大到产品生命週期，都可以看到这些概念的影子。

　　如果说OODA循环理论及WBSA八大程序让我们有可能阶段性且循序渐进地完成一个愿景，那幺阶段查核系统就明确地指出了在每一个阶段当中应该如何去执行。在社会充满不确定性的环境中，纵然只是一个模糊的机率或可能性认定，都可以视为一个量化资讯，就如同被批判为主观的先验机率，都是起步的基础，有总比没有好。

　　然而在每一次的划分阶段中，仍然都需要为此付出成本。因此纵然如同贝氏统计精神一般，应该要利用新取得的资讯与细节，不断微调方向直至与愿景状态重合，但是无时无刻不断取得新资讯-再修正-更新将会在作业上耗费大量精力资源，并且造成进度窒碍难行，因此，每一个独立的案件与规划都需要针对其特性进行调整，所需切分的阶段数量与每阶段的内容，都将依状况而定。

　　在试图将理想愿景成功实现的过程中，必然经过将无形知识转换为实际产出的过程，而知识所能具备的价值与品质不在于存量，而在于能多好的预测未来。可惜纵然已经具备具体的方法论与量化资讯，我们仍面对着毁灭性事件打击的可能性，也就是所谓的「黑天鹅事件」。黑天鹅作为一个灾难主要是因为我们有自己不知道自己不知道的事，这项问题以目前已讨论过的方法仍然无法面对，这是本文的限制，但是却并不代表没有办法应对：完整的门径管理系统及槓铃（双峰）策略将提供一套可行的方法，这又是另外一个故事了。

　　门径管理系统（stage-gate）也可以作为一个专有名词，可以特别指称Robert G. Cooper所开发的新产品开发（NPD,new product development）流程管理技术⁸，而产品在广义上可以泛指将属于无形知识的概念（idea），转化为实际物品、服务或任何改变现状之现象的过程。Stage-Gate 系统与 Charles M. Crawford 所提出的新产品开发管理有着异曲同工之妙⁹，同样以阶段性为主、同样需要量化资料，也同样专注在流程管理配合预测报酬，而新产品产生的过程与影响，一向是最不可知的。

　　所以当我们在眺望目标愿景的同时，不要忘了现在所站立的位置；当我们在寻找理想的当下，也不要忽略周遭所隐藏的危险。每当行走在不确定性的迷雾中，我们拿着拐杖站稳脚步，然后用数字製作探针，去寻找那块隐藏在远方的理想乡。

 

参考资料

1. Hoefer, C. Causal determinism.  （2003）.
2. Taleb, N. Fooled by randomness: The hidden role of chance in life and in the markets. Vol. 1 （Random House Incorporated, 2005）.
3. Taleb, N. N. The black swan: The impact of the highly improbable. Vol. 2 （Random house, 2007）.
4. Silver, N. The signal and the noise: Why so many predictions fail-but some don't.  （Penguin, 2012）.
5. Knill, D. C. & Pouget, A. The Bayesian brain: the role of uncertainty in neural coding and computation. TRENDS in Neurosciences 27, 712-719 （2004）.
6. Howard, D., Chefetz, G. & Walker, R. Ultimate Study Guide: Foundations Microsoft Project 2013.  （Chefetz LLC, 2013）.
7. Harris, P. E. PROJECT PLANNING AND CONTROL USING ORACLE® PRIMAVERA® P6 Version 8.2 EPPM WEB “Enterprise Portfolio Project Management”.  （2012）.
8. Cooper, R. G. Stage-gate systems: a new tool for managing new products. Business horizons 33, 44-54 （1990）.
9. Crawford, C. M. New products management.  （Tata McGraw-Hill Education, 2008）.